Deep learning: domina las redes neuronales con Tensorflow y Phyton

Curso e-learning Deep learning: domina las redes neuronales con Tensorflow y Phyton, de la familia profesional de Informática y comunicaciones. Disponible en formato SCORM para centros y entidades de formación.

Este contenido completo y especializado ofrece la oportunidad de adquirir habilidades clave en machine learning y deep learning con enfoque práctico. Compatible con la mayoría de las plataformas de teleformación, este contenido SCORM cuenta con todos los recursos didácticos necesarios, incluyendo casos prácticos reales y herramientas como Tensorflow y Keras.

Dirigido a centros de formación que buscan capacitar alumnado en el dominio de las redes neuronales, este contenido es ideal para instituciones educativas, consultoras de formación y empresas especializadas en programas de formación a medida. Además, fundaciones educativas y organismos públicos interesados en implementar una plataforma de teleformación encontrarán en este contenido una valiosa herramienta para ampliar su capacidad educativa.

Añadir a presupuesto

Categoría: Informática y comunicaciones Etiqueta: Cursos

No ofrecemos cursos a particulares. Nuestros contenidos e-learning solo se ponen a disposición de centros y organizaciones que imparten formación.

Cumple 100 % con el programa formativo oficial.

Formato SCORM compatible con cualquier plataforma de teleformación.

Contenido de máxima calidad actualizado de forma constante.

Incluye recursos didácticos que facilitan la impartición: pruebas de evaluación inicial, exámenes parciales objetivos y subjetivos, guías de aprendizaje y mucho más.

Objetivo

Aprender los fundamentos de las redes neuronales de tal manera que se consigan ejecutar casos prácticos reales tanto para aprendizaje supervisado como no supervisado a partir de las librerías Tensorflow y Keras con lenguaje Python.

Índice

1. INTRODUCCIÓN A DEEP LEARNING
1.1 ¿Qué es Machine Learning y Deep Learning?
1.2 Instalación de entorno Python y librerías Deep Learning
1.3 Aprendizaje supervisado
1.4 ¿Qué es el overfitting / underfitting en el aprendizaje supervisado?
1.5 Evaluación de rendimiento de modelos – Métricas de Clasificación
1.6 Evaluación de rendimiento de modelos – Métricas de Regresión
1.7 Aprendizaje no supervisado

2. REDES NEURONALES ARTIFICIALES (ANN) – CONCEPTOS FUNDAMENTALES
2.1 ¿Qué es una neurona y el modelo perceptrón?
2.2 ¿Qué son las redes neuronales?
2.3 Funciones de activación
2.4 Funciones de activación en modelos multiclase
2.5 Funciones de Coste y de Gradiente Descendente
2.6 Propagación hacia atrás (backpropagation)
2.7 Claves para crear redes neuronales efectivas
2.8 ¿Qué nos proporciona Tensorflow y Keras?

3. REDES NEURONALES ARTIFICIALES (ANN) – REGRESIÓN CON KERAS Y TENSORFLOW
3.1 Regresión con Keras – Presentación caso práctico
3.2 Regresión con Keras – Importación de librerías y fuentes
3.3 Regresión con Keras – Análisis de datos (EDA) + Preprocesado (I)
3.4 Regresión con Keras – Análisis de datos (EDA) + Preprocesado (II)
3.5 Regresión con Keras – División Train / Test
3.6 Regresión con Keras – Escalado
3.7 Regresión con Keras – Creación de modelo
3.8 Regresión con Keras – Entrenamiento del modelo
3.9 Regresión con Keras – Evaluación y Predicción

4. REDES NEURONALES ARTIFICIALES (ANN) – CLASIFICACIÓN BINARIA CON KERAS Y TENSORFLOW
4.1 Clasificación binaria con Keras – Presentación caso práctico
4.2 Clasificación binaria con Keras – Importación de librerías y fuentes
4.3 Clasificación binaria con Keras – Análisis de datos (EDA) + Preprocesado
4.4 Clasificación binaria con Keras – División Train / Test
4.5 Clasificación binaria con Keras – Escalado
4.6 Clasificación binaria con Keras – Creación de modelo
4.7 Clasificación binaria con Keras – Entrenamiento del modelo
4.8 Clasificación binaria con Keras – Evaluación y Predicción

5. REDES NEURONALES ARTIFICIALES (ANN) – CLASIFICACIÓN MULTICLASE CON KERAS Y TENSORFLOW
5.1 Clasificación multiclase con Keras – Presentación caso práctico
5.2 Clasificación multiclase con Keras – Importación de librerías y fuentes
5.3 Clasificación multiclase con Keras – Análisis de datos (EDA) + Preprocesado (I)
5.4 Clasificación multiclase con Keras – Análisis de datos (EDA) + Preprocesado (II)
5.5 Clasificación multiclase con Keras – División Train / Test
5.6 Clasificación multiclase con Keras – Escalado
5.7 Clasificación multiclase con Keras – Creación de modelo
5.8 Clasificación multiclase con Keras – Entrenamiento del modelo
5.9 Clasificación multiclase con Keras – Evaluación y Predicción
5.10 Clasificación multiclase con Keras – Monitorización con Tensorboard

6. REDES NEURONALES CONVOLUCIONALES (CNN) – CLASIFICACIONES IMÁGENES BLANCO Y NEGRO
6.1 Introducción a las redes neuronales convolucionales (CNN)
6.2 ¿Qué son los filtros de imagen y los kernels?
6.3 Capas convolucionales en una CNN
6.4 Capas pooling en una CNN
6.5 Clasificación imágenes Blanco y Negro – Presentación caso práctico
6.6 Clasificación imágenes Blanco y Negro – Importación de librerías y fuentes
6.7 Clasificación imágenes Blanco y Negro – Preprocesado
6.8 Clasificación imágenes Blanco y Negro – Creación del modelo
6.9 Clasificación imágenes Blanco y Negro – Entrenamiento del modelo
6.10 Clasificación imágenes Blanco y Negro – Evaluación y Predicción

7. REDES NEURONALES CONVOLUCIONALES (CNN) – CLASIFICACIONES IMÁGENES EN COLOR
7.1 Clasificación imágenes RGB – Presentación caso práctico
7.2 Clasificación imágenes RGB – Importación de librerías y fuentes
7.3 Clasificación imágenes RGB – Preprocesado
7.4 Clasificación imágenes RGB – Creación del modelo
7.5 Clasificación imágenes RGB – Entrenamiento del modelo
7.6 Clasificación imágenes RGB – Evaluación y Predicción

8. REDES NEURONALES RECURRENTES (RNN)
8.1 Introducción a las redes neuronales recurrentes (RNN)
8.3 8.2 Neuronas LSTM
8.4 Creación de batches en RNN
8.5 Forecast RNN – Presentación caso práctico
8.6 Forecast RNN – Importación de librerías y fuentes
8.7 Forecast RNN – Preprocesado
8.8 Forecast RNN – División Train / Test
8.9 Forecast RNN – Escalado
8.10 Forecast RNN – Creación Generador Serie Temporal
8.11 Forecast RNN – Creación del modelo
8.12 Forecast RNN – Entrenamiento del modelo
8.13 Forecast RNN – Evaluación y Predicción

9. REDES NEURONALES EN APRENDIZAJE NO SUPERVISADO
9.1 Introducción a las redes neuronales en aprendizaje no supervisado
9.2 ¿Qué son los autoencoders en una red neuronal?
9.3 NN No Supervisado – Presentación caso práctico
9.4 NN No Supervisado – Importación de librerías y fuentes
9.5 NN No Supervisado – Preprocesado
9.6 NN No Supervisado – Escalado
9.7 NN No Supervisado – Estimación número de clústeres
9.8 NN No Supervisado – Creación del modelo
9.9 NN No Supervisado – Entrenamiento del modelo
9.10 NN No Supervisado – Evaluación y Predicción de clústeres

Contenido SCORM para el Curso Deep learning: domina las redes neuronales con Tensorflow y Python

Impulsa la excelencia en formación digital con el curso Deep learning: domina las redes neuronales con Tensorflow y Python, diseñado para centros de formación especializados en Informática y comunicaciones. Este contenido SCORM proporciona a las empresas las herramientas necesarias para ofrecer a sus alumnos una formación avanzada en el campo del aprendizaje profundo y la inteligencia artificial.
Sumérgete en los fundamentos de las redes neuronales, explorando desde la introducción al deep learning hasta la creación de modelos de clasificación y regresión utilizando Tensorflow y Keras. Con casos prácticos y ejercicios específicos, los participantes adquirirán las habilidades necesarias para implementar soluciones de aprendizaje supervisado y no supervisado de manera efectiva, potenciando su expertise en el campo de la programación con Python.

Contenidos clave

Exploración de los conceptos fundamentales de Deep Learning y redes neuronales utilizando Tensorflow y Python.
Análisis detallado de las funciones de activación, backpropagation y creación efectiva de redes neuronales artificiales.
Implementación de modelos de regresión y clasificación binaria y multiclase con Keras y Tensorflow.
Aplicación de redes neuronales convolucionales en la clasificación de imágenes en blanco y negro y en color.
Estudio de las redes neuronales recurrentes y su aplicación en la predicción de series temporales.